王迎旭,孫曄,李玉花,孫國祥,汪小旵

(南京農(nóng)業(yè)大學工學院/江蘇省現(xiàn)代設施農(nóng)業(yè)技術與裝備工程實驗室,江蘇 南京 210031)

近20年來,黃瓜褐斑病(cucumber brown spot disease)與炭疽病(cucumber anthracnose)廣泛發(fā)生于世界各國,主要危害黃瓜葉片,病斑類型復雜,已成為黃瓜生產(chǎn)中重要的病害[1]。這2種患病黃瓜植株由于其病斑類似,往往在種植過程中難以直接區(qū)分。若對植株所患病情區(qū)分錯誤,不能對癥下藥,則會嚴重危害正常的農(nóng)業(yè)生產(chǎn)[2]。同時,在植株發(fā)病早期,人們往往用肉眼難以觀察及預測其病害情況。因此,黃瓜病害的早期識別以及病害種類的區(qū)分對保證溫室黃瓜產(chǎn)量和質(zhì)量非常重要。

傳統(tǒng)農(nóng)作物生長狀況、病蟲害的監(jiān)測主要依靠農(nóng)業(yè)生產(chǎn)者的經(jīng)驗判斷,需要通過人眼觀察來推測植物生理狀況。這種方法工作量大、效率低,準確率不能保障,不能滿足日益增長的農(nóng)業(yè)生產(chǎn)。目前,溫室作物監(jiān)測系統(tǒng)主要集中于對環(huán)境物理參數(shù)信息的監(jiān)測[3-4],而植物生理狀態(tài)監(jiān)測系統(tǒng)的研究相對較弱。目前,植物生理狀態(tài)及病害的檢測方法包括:機器視覺與深度學習[5-7]、近紅外光譜[8]、多光譜[9]、高光譜圖像[10-12]、偏振高光譜[13]等。其中,馬浚誠等[7]采用對植株不同種類病害的RGB圖像進行深度學習CNN(卷積神經(jīng)網(wǎng)絡)算法的分類,達到滿意的效果。深度學習算法復雜度較高,對硬件的要求也非常高,致使時間及硬件成本需求較大。葉綠素熒光技術是通過對光合作用的分析,提取特征參數(shù),大大簡化特征提取的過程,從而降低成本。盡管研究人員已經(jīng)證明上述方法在對植物的病害檢測中具有一定潛力,但與它們相比,葉綠素熒光技術具有植物無損“探針”之稱,主要通過監(jiān)測植物光合作用時葉綠素電子由激發(fā)態(tài)轉為基態(tài)時所產(chǎn)生的熒光強度,來判斷植物的光合作用強度,進而判斷植物的健康情況以及內(nèi)部結構的變化[14-15]。當植物葉片受到病害威脅時,葉綠素含量及其光合能力會發(fā)生改變,葉綠素熒光強度也會隨之改變,且葉綠素熒光信號完全來自于觀測植物,沒有背景噪聲,提高了檢測精度。同時,相較其他方法使用傳感器對葉片進行參數(shù)測量易對葉片造成損傷,對后續(xù)結果造成不良影響,葉綠素熒光監(jiān)測技術作為一種無損檢測的方法,可通過熒光的變化表現(xiàn)出光合作用的變化及能量的變化[16-17],不會對植物產(chǎn)生任何損傷[18]。

葉綠素熒光檢測技術已被應用于由病毒、細菌和真菌感染引起的生理狀態(tài)變化的檢測。在病害脅迫下植物葉片的Fv/Fm值相較于健康葉片呈下降趨勢,病原菌的入侵破壞了葉綠素合成和降解的動態(tài)平衡,葉綠素合成受阻,染病葉片葉綠體PSⅡ活性受到抑制[19-21]。Lei等[22]通過葉綠素熒光成像、穩(wěn)態(tài)熒光和非光化學猝滅(NPQ)分析探討病毒感染對煙草葉片光合作用的影響,結果表明該技術可以作為研究植物病毒感染機制的方法。Tung等[23]利用葉綠素熒光成像技術檢測煙草葉片的炭疽病,以Fv/Fm圖像分析煙草不同染病程度,結果表明葉綠素熒光成像技術可實現(xiàn)病害區(qū)分及染病程度檢測。Cen等[24]應用葉綠素熒光成像技術診斷柑橘黃龍病,建立了柑橘葉片黃龍病診斷模型(健康、染病、缺素),模型診斷精度最高可達97%。隋媛媛等[25]采用葉片上小區(qū)域的葉綠素熒光光譜對黃瓜進行病害檢測和區(qū)分,結果表明小區(qū)域的熒光光譜分析對病害的預測有一定效果。以上研究說明葉綠素熒光技術可用于檢測植物的染病情況。但目前對黃瓜相似病害的區(qū)分研究較少,且對植株葉綠素熒光的提取主要集中在葉片小面積區(qū)域,不能充分反映整株植物的狀態(tài)和健康情況。因此,本文旨在設計一種可監(jiān)測全植株染病狀態(tài)的葉綠素熒光成像系統(tǒng),分析早期黃瓜褐斑病和炭疽病的發(fā)展狀態(tài),并對2種病癥進行區(qū)分,為黃瓜褐斑病和炭疽病的識別與早期診斷提供新的方法。

1 材料與方法

1.1 試驗材料

選擇水果黃瓜‘83-16’(山東省壽光市宏偉種業(yè)有限公司)為試驗材料,試驗于2018年11月在南京農(nóng)業(yè)大學工學院進行。將種子在溫水中浸泡約8 h后,轉移到用濕紗布包裹的塑料袋中,并放入28 ℃的培養(yǎng)箱。2 d后,約70%的種子開始發(fā)芽(徑向根長0.3～0.4 mm)。將發(fā)芽的種子移植到1個7×10孔的塑料育苗盤(30 cm×40 cm)中,用消毒后的土壤在28 ℃的培養(yǎng)箱中進行培養(yǎng)。當幼苗長出3片真葉后,選擇長勢大致相同的植株移栽至15 cm直徑花盆中。3 d后,選取長勢大致相同的100株黃瓜作為試驗樣本,其中40株接種褐斑病病菌,40株接種炭疽病病菌,另外20株作為對照組?；ㄅ璺謩e置于不同人工氣候箱中進行隔離培養(yǎng),晝/夜培養(yǎng)時間為18 h/16 h,平均溫度為28 ℃/18 ℃,相對濕度85%。其中接種病菌的樣本在接種前采集1次熒光圖像,在接種后,每24 h采集病害組和對照組黃瓜植株的熒光圖像及葉片葉綠素和氮含量,連續(xù)采集4次。一共獲取5次熒光圖像,得到每株黃瓜不同染病程度下葉綠素熒光圖像。本試驗對黃瓜植株的對照樣本共監(jiān)測5 d,每天的樣本量為20;對最終產(chǎn)生病害的黃瓜樣本除第0天未接種病菌外共監(jiān)測4 d。從每種病害組中最終染病的樣本中各選30個染病成功樣本,提取其熒光數(shù)據(jù)。數(shù)據(jù)中有100組正常生長的黃瓜植株葉綠素熒光數(shù)據(jù),褐斑病病害樣本和炭疽病病害樣本各120組。

1.2 葉綠素熒光成像系統(tǒng)構成及數(shù)據(jù)采集

為了便于對溫室黃瓜植株進行葉綠素熒光參數(shù)測量,本試驗設計開發(fā)了葉綠素熒光成像系統(tǒng)(圖1)。系統(tǒng)由高性能CCD相機(Lumenera Infinity3-1URC,加拿大)、中心波長為460 nm的LED光源(BL100×100)、可編程直流電源(eTM-L305SP)和計算機(KH770 i7-4500 u)組成。8盞LED燈,從4個方向照明,每塊LED板尺寸為100 mm×100 mm,額定電壓25 V。相機分辨率為1 280×720,支持30幀·s-1的視頻錄制,配有515 nm長通濾光片(NF515-02),可以濾除激發(fā)光,收集葉綠素激發(fā)的熒光。試驗中采用55 mm偏振片(MC-CPL-55mm)濾除光束中的直射光。

本系統(tǒng)中,通過改變電壓的大小得到試驗所需的3種激發(fā)光:測量光、光化光和飽和光。經(jīng)過調(diào)節(jié)電源電壓,并使用光強傳感器(ZZ-S-LM-A)的檢測和轉換得出:當電壓為20.0 V時,LED光源的光照強度滿足測量光強度;當電壓為23.2 V時,光照強度滿足光化光強度;當電壓為25.0 V時,光照強度滿足飽和光強度。為了獲得葉綠素熒光參數(shù),植物必須先在黑暗環(huán)境中放置一段時間,進行暗適應。暗適應后,通過運行程序可獲得原始熒光數(shù)據(jù)F0(暗適應狀態(tài)下的最小熒光)和Fm(暗適應狀態(tài)下的最大熒光量),在光化光下獲得F(穩(wěn)態(tài)熒光水平)。此時,PSⅡ反應中心部分打開;經(jīng)過一段時間的光化,給出短時間飽和脈沖光,PSⅡ反應中心將處于完全封閉狀態(tài),原本用于光合作用的能量將轉化為葉綠素熒光和熱量,因此葉綠素熒光F′m為測量光適應狀態(tài)下的最大熒光。這個過程循環(huán)5次,直到植株達到穩(wěn)定的生理狀態(tài)。最終得到此時的平均F和F′m。采用下列公式計算出Fv/Fm(光系統(tǒng)Ⅱ最大光合量子效率)、ΦPSⅡ(光系統(tǒng)Ⅱ?qū)嶋H量子效率)、NPQ(非光化學淬滅)、qN(非光化學淬滅系數(shù))和qP(光化學淬滅)的參數(shù)。利用熒光系統(tǒng)對每個黃瓜樣品進行處理,通過相機拍攝得到所需熒光數(shù)據(jù)共12幅(F0、Fm、F×5和F′m×5),再進一步對圖像進行處理,得到葉綠素熒光數(shù)據(jù)。

Fv/Fm=(Fm-F0)/Fm

(1)

ΦPSⅡ=(F′m-F)/F′m

(2)

NPQ=Fm/F′m-1

(3)

qN=(Fm-F′m)/(Fm-F′0)

(4)

qP=(F′m-F)/(F′m-F′0)

(5)

1.3 葉片營養(yǎng)參數(shù)測定

為了進一步研究樣品的葉綠素熒光參數(shù)與營養(yǎng)參數(shù)和葉綠素含量的關系,在每次葉綠素熒光數(shù)據(jù)提取試驗結束后,采用便攜式葉綠素儀(SPAD-502,日本)和便攜式植物營養(yǎng)儀(TYS-4N,中國)測定樣品的葉片葉綠素含量和氮含量。分別選取葉片上的3個點進行測量,獲得葉綠素含量和氮含量的3個讀數(shù),并取平均值,同時準確記錄檢測區(qū)域,以便后續(xù)提取對應區(qū)域的熒光參數(shù)。

1.4 數(shù)據(jù)處理

1.4.1 病斑區(qū)域的分割病斑區(qū)域的分割是為了下一步更有效地提取病斑區(qū)域的特征。通過對圖像的粗分割、精分割、病斑分割及病斑區(qū)域膨脹的方法獲得病斑區(qū)域。由于本試驗的試驗環(huán)境封閉,背景噪聲較為單一,因此首先采用RGB閾值分割的方法大致分割出植株區(qū)域,完成第1步粗分割。然后采用中值濾波對點噪聲進行清除,完成對圖像的精分割,得到已去除背景的黃瓜植株的熒光RGB圖像。再使用RGB閾值分割方法,分割出圖像病斑區(qū)域的模板,最終對病斑區(qū)域的模板進行熒光圖像的膨脹,得到試驗所需的病斑區(qū)域及周圍感興趣區(qū)域。由于有的病斑區(qū)域較小,極易與噪聲混淆,從而對后續(xù)試驗造成干擾,試驗沒有使用RGB閾值分割方法直接分割出病斑區(qū)域,而是在過程中加入中值濾波去除噪聲;并且,在中間加入精分割的步驟可以有效避免病斑區(qū)域與噪聲的混淆。

1.4.2 參數(shù)提取本試驗采用Lab空間中的L(亮度)分量來表示圖像中的熒光強度信息,將黃瓜植株病斑區(qū)域的熒光RGB圖像轉化到Lab色彩空間進行表示,再通過提取Lab色彩空間中的L分量,得到每個像素點的亮度值。將這些像素點上的亮度值累加后再除以總體的像素點數(shù)量即可得到每幅熒光圖像中熒光強度的平均值。通過相機采集,每株植物都獲得了12幅熒光圖像,將圖像進行上述處理即可得到熒光參數(shù)F0、Fm、F和F′m的數(shù)值。

1.4.3 參數(shù)分析在本試驗中,以褐斑病處理作為可控因素,即對照組和病害組,葉綠素含量和氮含量作為觀測變量,進行單因素方差分析。通過比較分析各種分類算法,如:K-means、支持向量機(SVM)、極端梯度提升(XGBoost)、邏輯回歸(LR)等,最終選擇2種在分類中表現(xiàn)較好的常用算法:SVM和XGBoost。

SVM算法是一種監(jiān)督學習算法,廣泛應用于統(tǒng)計分類以及回歸分析中,本試驗選用線性核(linear kernel)作為SVM的核函數(shù)[26]。XGBoost算法也是一種監(jiān)督學習算法,是將多個弱分類器集成在一起,形成一個強分類器的算法,并通過計算分類器的殘差確定每個分類器的權重,同時加入正則項防止數(shù)據(jù)過擬合,在計算殘差時對代價函數(shù)進行二階泰勒展開,得到的結果更加精確[27-28]。

單因素方差分析由IBM SPSS Statistics 19(IBM corporation,USA)完成,SVM算法由Matlab 2017(The MathWorks,Inc.,Natick,MA,USA)完成,XGBoost算法由PyCharm(JetBrains,The Czech Republic)集成開發(fā)環(huán)境完成。

2 結果與分析

2.1 葉綠素熒光參數(shù)的提取

將采集到的熒光圖像(圖3-a)經(jīng)過RGB閾值分割(R通道閾值約為20/255,G通道閾值約為160/255)得到粗分割后的圖像(圖3-b),圖像粗分割后雖然大部分背景噪聲被濾除,但仍存在一些點噪聲,會影響后續(xù)處理。而中值濾波方法對于去除點噪聲的效果卓越,因此采用中值濾波(參數(shù)為5×5)對粗分割后的圖像進一步處理得到精分割圖像(圖3-c)。此步驟后,背景噪聲基本被濾除,再次采用RGB閾值分割(G通道閾值約為170/255,B通道閾值約為110/255)得到病斑區(qū)域圖像(圖3-d),最終通過圖像膨脹得到感興趣的病害區(qū)域(圖3-e)。使用Matlab繪圖區(qū)打開圖像,通過滑動數(shù)據(jù)游標觀察得到具體閾值。由于各個植株拍攝環(huán)境及病害特征類似,所以該分割適用于本試驗所有樣本。該分割方法是各種圖像分割方法中速度最快、計算最簡單的方法,能滿足本試驗的要求。后續(xù)則對該區(qū)域進行熒光參數(shù)特征提取。其中,健康植株進行到第4步提取病斑時出現(xiàn)全黑圖像,沒有病斑點。因此,使用精分割后的圖像進行后續(xù)處理。由于少數(shù)早期病害的植株,其病斑區(qū)域小,病斑顏色變化不明顯,在提取病斑時表現(xiàn)和健康植株一樣,此時則與健康植株一樣處理,采用精分割后的圖像進行后續(xù)操作。由于精分割后的圖像是整株植物的圖像,早期病害植株整體葉綠素熒光較健康植株仍有差異,所以這樣操作對后續(xù)試驗結果影響較小。

2.2 葉片營養(yǎng)參數(shù)及熒光參數(shù)的變化

2.2.1 葉片葉綠素和氮含量變化從表1可見:病害組植株葉綠素含量及氮含量呈逐漸下降趨勢,對照組植株的葉綠素含量和氮含量基本保持穩(wěn)定。同時,病害組的氮含量及葉綠素含量的標準差比對照組大,說明不同植株受病害影響的程度也有一定差異。病害組在接種后第2天,其葉綠素含量和氮含量與對照組相比存在明顯變化,而對照組在監(jiān)測期間基本無顯著性差異。

餐廳老板推廣餐廳，是真的用心！在媒體上引流推廣，也是真的花錢！可，這樣的員工隊伍和待客狀態(tài)，餐廳推廣力度越大死得越快！——除了產(chǎn)品、服務之外，員工的狀態(tài)和團隊氛圍，也是【顧客體驗】。

表1 黃瓜植株的生長參數(shù)變化Table 1 Changes of growth parameters of cucumber plants

接種病菌前,2組病害組黃瓜植株的氮含量與葉綠素含量差異不大。而接種病菌后,褐斑病組葉片的氮含量與葉綠素含量下降相對較快,而炭疽病組的氮含量與葉綠素含量下降相對較慢。因此,褐斑病與炭疽病對植株營養(yǎng)參數(shù)產(chǎn)生不同影響,也為后續(xù)區(qū)分2種病害提供了理論基礎。

2.2.2 染病后黃瓜植株葉綠素熒光參數(shù)變化從圖5可知:病害組的Fv/Fm參數(shù)整體變化最為明顯,呈逐漸下降趨勢,而對照組基本保持穩(wěn)定。參數(shù)ΦPSⅡ、NPQ、qN及qP的變化規(guī)律不明顯,病害組的ΦPSⅡ參數(shù)呈略微下降趨勢,NPQ、qN與qP總體均呈上升趨勢;而對照組的ΦPSⅡ、NPQ、qN與qP基本保持穩(wěn)定狀態(tài)。單個葉綠素熒光參數(shù)雖然具有一定規(guī)律,但遠未達到對植株受到病害脅迫情況進行預測的程度,因此,需要結合各個熒光參數(shù)及各個熒光圖像所提取的數(shù)據(jù)特征,區(qū)分正常植株與患病植株,對病害情況和種類進行預測。

2.3 黃瓜褐斑病與炭疽病的分類

通過12個熒光強度(F0、Fm、F×5和F′m×5)和7個熒光參數(shù)(ΔF、Fv、Fv/Fm、ΦPSⅡ、NPQ、qN和qP)對黃瓜褐斑病植株、炭疽病植株及對照植株采用支持向量機(SVM)和極端梯度提升(XGBoost)算法進行分類,并對其病害情況進行評估,具體分類結果如表2—表5。

表2 基于SVM算法分類的黃瓜植株對照組分別與褐斑病組和炭疽病組的2組分類結果Table 2 Classification results of cucumber plants in control group and disease group based on SVM algorithm

表5 基于XGBoost算法分類的黃瓜植株對照組與褐斑病組和炭疽病組的3組分類結果Table 5 Classification results of cucumber plants in control group,brown spot group

表2和表4展示的是2種算法對黃瓜植株對照組分別與褐斑病病害組和炭疽病病害組的2組分類結果。對于褐斑病,分類算法給出的最高準確率為94.6%,而炭疽病則最高為89.2%。表明分類算法對2種病害的區(qū)分均有不錯的效果。

表4 基于XGBoost算法分類的黃瓜植株對照組分別與褐斑病組和炭疽病組的2組分類結果Table 4 Classification results of cucumber plants in control group and disease group based on XGBoost algorithm

表3和表5展示的是2種算法對對照組與褐斑病組及炭疽病組的3組分類結果。對于3組分類,分類算法達到的最高準確率為88.6%,分類算法對于對照組和炭疽病組的誤分率有明顯提高,而對于褐斑病,2種分類算法的分類準確率都在95%以上。

表3 基于SVM算法分類的黃瓜植株對照組與褐斑病組和炭疽病組的3組分類結果Table 3 Classification results of cucumber plants in control group,brown spot group

結合4個表來看,無論是2組分類還是3組分類,褐斑病組分類準確率都比炭疽病組更高?？赡艿脑蚴窃囼炛刑烤也〉臐摲谳^長,病菌對植株葉綠體的破壞較慢所致;也與患有褐斑病的黃瓜植株營養(yǎng)參數(shù)變化明顯吻合。這說明褐斑病組對植株葉綠素的影響相比炭疽病組大。該結果相較于馬浚誠等[7]使用卷積神經(jīng)網(wǎng)絡的方法對2種病斑區(qū)別較為顯著的黃瓜植株RGB圖片(霜霉病和白粉病)分類的準確率減少約5%。本試驗采用的是病斑RGB圖片類似的植株,且采用的葉綠素熒光參數(shù)代替深度學習方法的圖像特征提取過程,將原先使用深度學習算法無差別分析每個像素點的方法優(yōu)化為對熒光參數(shù)進行分類,節(jié)約運算成本,對植株病害分類的應用很有前景。

2.4 黃瓜炭疽病與褐斑病的早期監(jiān)測

試驗發(fā)現(xiàn),病害組樣本在接種24 h時葉片無明顯變化,在接種48 h左右部分葉片出現(xiàn)輕微病斑,72 h后出現(xiàn)明顯病斑,因此,將未發(fā)生明顯變化的樣本定義為病害早期樣本(接種后1、2 d)共60(30×2)個,將發(fā)生明顯病害的樣本定義為病害晚期樣本(接種后3、4 d),晚期樣本也為60(30×2)個。早期病害樣本與晚期病害樣本如圖5所示。

表6—表9是使用SVM和XGBoost對病害程度進行分類的結果。表6和表8展示的是通過2種算法對對照組分別與褐斑病和炭疽病2種病害在病害早期和病害晚期的分類結果。褐斑病的病害程度分類準確率最高為87.8%,炭疽病的病害程度分類準確率最高為85.1%,XGBoost算法分類準確率較SVM算法更高。相較于表2和表4,在添加了分類條件后,分類的準確率雖有下降,但整體降幅不大,XGBoost算法的總體準確率仍然在85%以上。對褐斑病早期植株的分類準確率略高于晚期植株的分類準確率。對炭疽病早期植株的分類準確率略小于晚期植株的分類準確率。病害早期植株較晚期植株更容易被誤分為對照組植株。

表6 基于SVM算法分類的黃瓜植株對照組、病害早期組與病害晚期組的3組分類結果Table 6 Classification results of three groups of cucumber plants in control group,early stage disease group

表8 基于XGBoost算法分類的黃瓜植株對照組、病害早期組與病害晚期組的3組分類結果Table 8 Classification results of three groups of cucumber plants in control group,early

表9 基于XGBoost算法分類的黃瓜植株對照組、褐斑病病害早期組與病害晚期組及炭疽病病害早期與病害晚期組的5組分類結果

表7與表9是2種算法對黃瓜植株對照組、褐斑病早期組與晚期組及炭疽病早期與病害晚期組的 5組分類結果。XGBoost分類器取得的分類準確率更高,總體為78.9%。各個分組的分類準確率相對其他的分類結果都有明顯下降,最終分類成功率接近80%,具有一定研究意義。褐斑病植株早期的分類準確率高于晚期,而炭疽病植株晚期的分類準確率高于早期。

表7 基于SVM算法分類的黃瓜植株對照組、褐斑病早期組與晚期組及炭疽病早期與晚期組的5組分類結果Table 7 Classification results of five groups of cucumber plants in control group,early stage group and late stage group of

通過表6—表9中褐斑病早、晚期和炭疽病早、晚期準確率存在差異的試驗結果,推斷出褐斑病早期與晚期的葉綠素變化不明顯,而病害組早期與對照組的變化相對明顯,因此病害早期植株的分類準確率略大于病害晚期植株的。炭疽病早期葉綠素變化不明顯,而晚期葉綠素變化較為明顯,與炭疽病相對褐斑病葉綠素和氮含量變化相對速度較慢的結果相對應。炭疽病菌相較于褐斑病菌可能有更長的潛伏時間。

綜上,由于褐斑病病害程度預測準確率整體較炭疽病高,推測褐斑病對植株葉綠體的影響較炭疽病大。同時,XGBoost算法的分類結果比SVM算法整體較優(yōu),可能的原因是XGBoost算法使用了一階和二階導數(shù)來優(yōu)化損失函數(shù),使用正則項來解決過擬合的問題,使分類結果更優(yōu)。但總體來說,SVM算法也是一種運用較廣、且算法原理較為成熟的方法,可以根據(jù)實際情況選用。

3 結論

本文通過設計葉綠素熒光圖像采集系統(tǒng)對整株植物頂端部位的葉綠素熒光參數(shù)進行提取,并分析發(fā)病黃瓜植株生長參數(shù)(葉綠素含量及氮含量)的變化。通過對葉綠素熒光參數(shù)(Fv/Fm、ΦPSⅡ、NPQ、qN、qP)的分析,發(fā)現(xiàn)Fv/Fm隨病害程度的加深而顯著降低。將提取的熒光強度與熒光動力學參數(shù)結合,并使用SVM算法及XGBoost算法對染病黃瓜植株進行分類和早期監(jiān)測,其中XGBoost算法對于黃瓜植株病害的分類準確率和病情分類準確率整體較高,為較優(yōu)算法。黃瓜褐斑病相較于炭疽病對于植株葉綠素的影響更為明顯。該系統(tǒng)實現(xiàn)了溫室黃瓜褐斑病和炭疽病的準確識別,隨著數(shù)據(jù)的進一步完善,該系統(tǒng)可在現(xiàn)有基礎上擴充病害種類,進一步提升其應用價值。